本研究提出一种基于结构因果模型的框架，解决深度神经网络在检测攻击性模因时缺乏透明性的问题。通过训练VisualBERT预测模因类别，结合模因输入和因果概念，提升模型的可解释性，并揭示输入归因方法在因果验证中的局限性，影响安全应用的可靠性。

通过调查和综述，研究填补了对有毒模因的内容分析的空白。提出了对模因有毒性进行分类的新方法，并鉴别了模因有毒性的三个维度。分析了关键挑战和最新趋势，并提出了推进有毒模因检测和解析的路径。

社交媒体平台信息共享导致在线滥用增加。本文构建孟加拉Memes数据集并使用多种模型分类滥用Memes。多模态模型优于单模态模型，最佳模型宏F1分数为70.51。对错误分类的Memes进行了定性错误分析。

社交媒体的指数增长改变了信息的创造、传播和吸收方式，但也导致了网络违规使用表情包的增加。本文研究了大型多模型识别和应对表情包中的社交虐待能力，并提出了GOAT-Bench表情包基准。实验结果显示当前模型对隐性虐待形式缺乏敏感性。

AI研究由行业推动，Google、OpenAI和Meta是领先的AI公司，负责最大规模的训练和算法创新。腾讯和百度等国内公司影响力较低。许多行业实验室和新进公司也在推动AI进展。

谷歌注册局推出新域名.meme和.ing，用户可在https://get.meme/上抢注，注册价格为19.99美元/年，部分域名需支付溢价费用。正式注册时间为2023年12月5日16:00 UTC。

我们使用检索引导的对比训练构建了一种恶意感知的嵌入空间，解决了现有基于CLIP的系统对于正确恶意分类所需微小差异缺乏敏感性的问题。我们展示了一种基于检索的恶意违规表情包检测系统，该系统能够根据未见过的数据进行恶意分类，无需重新训练，适用于互联网恶意违规表情包不断演变的实际服务的持续更新。

任何在互联网上花过任何时间的人都很清楚 模因 梗的使用在网上话语中已经变得多么普遍了。在最新发生的事件中寻找新的模因梗，并与不同的朋友群体分享它们的幽默，是我长期以来喜欢的一种消遣方式。 然而，大多数幽默模因有一个讽刺性的双重性：它们越是小众，就越是有趣。一些最好的模因梗只是我的朋友圈之间的看似愚蠢玩笑，或者来自令人难以置信的小众信息安全行业。 ...